路由协议测试的窗口黑盒模型和多通道的测试方法

路由协议测试中的效率和覆盖率亟待提高 .原有通信协议测试理论将被测实现作为黑盒 ,使得大量可增强控制观察能力的手段无法利用 .因此在路由协议测试中以窗口黑盒模型描述被测实现 ,在测试结构上实现了多通道测试方法 ,提高了测试效率和测试覆盖率 .通过与被测模块交互的其它模块 ,增强了测试的控制观察能力 ,测试例的执行时间相比原有方式下降 5 0 % ;消除或减小了以往不能测试的范围和内容 ,相应测试例个数增加 3倍以上 ;

EDFA黑盒模型及其虚拟实验验证

首先根据 EDFA两能级放大模型推导出黑盒模型 ;其次 ,采用虚拟实验方法 ,分析了黑盒模型在不同条件下计算的精度 ;最后分别模拟放大系统采用黑盒模型和两能级模型 ,有八个 WDM光信号输入时 ,放大后的光谱图 .结果表明两者十分一致 .

掺铒光纤放大器黑盒模型理论与实验

基于掺铒光纤放大器 (EDFA)两能级放大模型基础上推广了黑盒模型的应用范围 ,针对光放大器不同工作模式 ,给出了利用该模型计算多路波分复用 (WDM)输入光信号增益的方法 ,模拟计算了有 6路 WDM光信号输入时 ,经 EDFA放大后的光谱图 ,并与实验结果进行了比较 .

掺铒光纤放大器黑盒模型在波分复用系统中的实验验证

介绍了掺铒光纤放大器的黑盒模型 ,随后给出应用黑盒模型的参数测量步骤 ;测量了一台内部参数和结构未知的商用 EDFA对六信道 WDM光信号的放大光谱图。通过实测结果与黑盒模型仿真计算得到的结果相比较 ,证明了黑盒模型具有很好的精度 ,适用于估算商用波分复系统的性能。

掺铒光纤放大器(EDFA)的黑盒模型理论

根据掺铒光纤放大器(EDFA)两能级放大模型推导出黑盒模型(BBM,black box model),随后给出了黑盒模型的通用测量步骤及注意事项。该模型基于EDFA的外特性,运算速度快,同时考虑了EDFA的饱和、增益不平坦特性以及ASE噪声谱的非均匀性。它对于在现场实验前仿真和分析系统性能具有较高的实用价值.

描述断路器开断过程的新型黑盒模型

本文基于能量守恒定律,提出了一种新型的描述断路器开断过程的黑盒模型。由于推导这一模型时没做任何假定,而且可以证明Cassic类电弧模型、Mayr类电弧模型、Hochrainer类电弧模型及尚振球黑盒电弧模型等黑盒模型只是这一新型模型的特殊形式,因此,这一模型具有广泛的适用范围。

基于随机平滑的通用黑盒认证防御

近年来,基于深度神经网络(DNNs)的图像分类模型在人脸识别、自动驾驶等关键领域得到了广泛应用,并展现出卓越的性能.然而,深度神经网络容易受到对抗样本攻击,从而导致模型错误分类.为此,提升模型自身的鲁棒性已成为一个主要的研究方向.目前大部分的防御方法,特别是经验防御方法,都基于白盒假设,即防御者拥有模型的详细信息,如模型架构和参数等.然而,模型所有者基于隐私保护的考虑不愿意共享模型信息.即使现有的黑盒假设的防御方法,也无法防御所有范数扰动的攻击,缺乏通用性.因此,本文提出了一种适用于黑盒模型的通用认证防御方法.具体而言,本文首先设计了一个基于查询的无数据替代模型生成方案,在无需模型的训练数据与结构等先验知识的情况下,利用查询和零阶优化生成高质量的替代模型,将认证防御场景转化为白盒,确保模型的隐私安全.其次,本文提出了基于白盒替代模型的随机平滑和噪声选择方法,构建了一个能够抵御任意范数扰动攻击的通用认证防御方案.本文通过分析比较原模型和替代模型在白盒认证防御上的性能,确保了替代模型的有效性.相较于现有方法,本文提出的通用黑盒认证防御方案在CIFAR10数据集上的效果取得了显著的提升.实验结果表明,本文方案可以保持与白盒认证防御方法相似的效果.与之前基于黑盒的认证防御方法相比,本文方案在实现了所有L p的认证防御的同时,认证准确率提升了20%以上.此外,本文方案还能有效保护原始模型的隐私,与原始模型相比,本文方案使成员推理攻击的成功率下降了5.48%.

一种新型深度分类神经网络黑盒指纹水印算法

提出了一种新型的强鲁棒黑盒指纹水印框架及方法。首先,提出了一种基于数字水印技术的高视觉质量的、具有一定安全性的毒化图像构造方法,将指示用户身份的信息嵌入到毒化图像,实现多用户场景下深度神经网络模型的可追溯性,并降低毒化图像被伪造的概率;其次,提出了毒化特征加强模块来优化模型训练;最后,设计了对抗训练策略,有效地学习到嵌入强度很小的指纹水印。大量的仿真实验表明,所构造的毒化图像中的指纹水印具有非常好的隐蔽性,大幅超越了WaNet等同类最优模型水印方法;以分类性能降低不超过2.4%的代价获得了超过99%的黑盒模型指纹水印验证率;且即便在指纹水印相差1位时亦能准确地进行模型水印版权验证。这些性能总体上优于同类最优的模型水印方法,表明了所提方法的可行性和有效性。

用黑盒电弧模型的爆炸开关中直流电弧的仿真

爆炸开关是一种由炸药驱动、快速响应、高可靠性的直流断路器,已在ITER、EAST等多种失超保护系统中得到应用。作为一种直流断路器,电弧是决定其换流过程的主要因素,其水下燃弧、熄弧的特性的相关研究是目前此类断路器设计中的空白。电弧动态模型是研究电弧特性的常用方法,当建立的模型与试验过程中所观察到的断路器性能有良好的对应关系时,模型可用于建立爆炸开关的结构设计和换相特性之间的关系,为开关的设计优化提供理论依据。通过分析对比了几种不同的电弧模型,给出了适用于爆炸开关设计过程中的黑盒电弧模型,应用了Parameter Sweeping Strategy,研究了电弧模型中的参数取值规律,并结合试验验证了这种模型的可行性,为中国核聚变工程试验堆(CFETR)失超保护系统中爆炸开关中的研制提供了理论依据。

黑盒机器学习模型的成员推断攻击研究

近年来,机器学习技术飞速发展,并在自然语言处理、图像识别、搜索推荐等领域得到了广泛的应用。然而,现有大量开放部署的机器学习模型在模型安全与数据隐私方面面临着严峻的挑战。本文重点研究黑盒机器学习模型面临的成员推断攻击问题,即给定一条数据记录以及某个机器学习模型的黑盒预测接口,判断此条数据记录是否属于给定模型的训练数据集。为此,本文设计并实现了一种基于变分自编码器的数据合成算法,用于生成与给定模型的原始训练数据分布相近的合成数据;并在此基础上提出了基于生成对抗网络的模拟模型构建算法,利用合成数据训练得到与给定模型具有相似预测能力的机器学习模型。相较于现有的成员推断攻击工作,本文所提出的推断攻击无需目标模型及其训练数据的先验知识,在仅有目标模型黑盒预测接口的条件下,可获得更加准确的攻击结果。通过本地模型和线上机器学习即服务平台BigML的实验结果证明,所提的数据合成算法可以得到高质量的合成数据,模拟模型构建算法可以在更加严苛的条件下模拟给定模型的预测能力。在没有目标模型及其训练数据的先验知识条件下,本文所提的成员推断攻击在针对多种目标模型进行攻击时,推断准确率最高可达74%,推断精确率可达86%;与现有最佳攻击方法相比,将推断准确率与精确率分别提升10.7%及11.2%。

功能角色图的黑盒封装模型及其故障分析技术研究

结合功能角色单元的拓扑关系和封装要求,提出基于黑盒模型的封装方式,实现了更高功能层次的故障分析,并针对实际案例说明了故障分析过程。研究表明,提出的方法有效地拓展了功能角色图的FMEA分析能力。

一种基于后门技术的深度强化学习水印框架

深度强化学习(DRL)已经证明了它在各种复杂任务中的有效性,因其出色的性能使其商业化正在急剧加速。生成一个DRL模型需要大量的计算资源和专业知识,使得一个训练有素的DRL模型已经成为人工智能应用程序和产品的核心知识产权。基于对DRL模型的产权保护,防止非法抄袭、未经授权的分发和复制,提出一种后门技术的DRL水印框架DrlWF,并使用一个全新的评价指标水印动作实现比例来衡量水印性能。通过向训练状态中添加水印,并使用带有水印的水印状态训练模型从而实现将水印嵌入至模型中。框架中的水印嵌入操作可以通过将水印嵌入到少量的训练数据中(仅需0.025%的训练数据)和不影响性能的奖励修改来实现。实验结果证明,在标准状态下,DRL模型仍具有良好的性能;在水印状态下,DRL模型性能将急剧下降,不足原有性能的1%,且水印动作执行比例达到了99%。通过急剧下降的性能以及模型对水印状态的动作表现,即可验证模型的所有权。此外,该水印具有良好的鲁棒性,在模型微调和模型压缩下,模型依然能够识别出水印,性能急剧下降且水印动作执行比例依旧达到了99%以上,证明了该DRL水印具有良好的鲁棒性。

2023年可解释人工智能技术主要发展动向分析

可解释人工智能与当下人工智能研究与应用所重点关注的可信赖性和鲁棒性等问题密切相关。对2023年可解释人工智能技术领域的主要发展动向进行了综合评述。首先介绍可解释人工智能的概念内涵和实现途径,然后介绍可解释人工智能技术的当前最新进展,最后概述可解释人工智能技术的未来发展趋势。综述表明,针对当下热门的生成式人工智能模型的解释研究,已经成为当前可解释人工智能领域的重要研究热点;针对传统人工智能模型的解释研究主要聚焦于探索多视角融合的解释途径、强化无监督学习框架的可解释性;此外,可解释人工智能开源社区建设提速,助力打开模型“黑盒”的开源工具不断丰富。综述认为,突破微观神经元行为层面的可解释性瓶颈、构建兼具内在常识与外在环境交互能力的“心智系统”等研究方向,正在成为未来可解释人工智能技术的重要发展趋势。

基于PSModel的海上风电场全电磁暂态建模与仿真

开发有效的风机电磁暂态模型是进行海上风电并网研究的基础。根据不同生产厂家所提供的直驱风机模型,提出了一种基于厂家黑盒模型的直驱风机电磁暂态建模方法。利用厂家所提供的模型测试数据解析风机的故障响应特性,推导了不同厂家在电压故障下有功和无功功率响应表达式,包括故障期间的穿越控制过程及不同过程间的暂态切换策略。提出了加权平均压降的风电场等值方法,采用自主研发的全电磁暂态仿真软件(power system model,PSModel)对我国广东某海上风电场进行全电磁暂态建模。根据稳态潮流及暂态特性结果验证了模型可通过系统测试,且有效实现了海上风电场的全电磁暂态建模,从而为该风场接入大电网后的安全稳定分析提供了研究基础。

工作流平台中动态流程模型的研究

在已有的动态工作流模型———黑盒模型的基础上进行改进,应用可插拔的子流程节点代替黑盒节点,提出了更加容易实现的动态流程模型———DSP(Dynam ic Sub-Process)模型,并成功地将其应用于网络化集成产品开发项目管理工具的项目中。

适用于低压串联故障电弧的Mayr改进模型

电气火灾中由串联故障电弧引起的占很大一部分比例,所以串联故障电弧分析具有很重要的意义。在Mayr模型的基础上提出了一种改进型的串联故障电弧模型,弥补了经典电弧模型在阻性负载和阻感性负载下丢失一些原本电弧所具有的特征。将电弧看成一个时变阻抗的黑盒模型,将零休时期的电弧模型等效为RLC串联电路,用MATLAB/Simulink仿真出的电弧电流波形和实际试验的电弧电流波形比经典模型更加接近,验证了模型的可行性。

配电网弧光接地故障电弧数学模型研究进展

单相弧光接地故障是配网中最常见的故障类型,其引起的弧光过电压对电网危害很大。但由于电弧特性的随机性,导致针对弧光接地的保护措施效果有限。因此需要研究电弧本身的电磁暂态特性。黑盒模型现在被广泛应用于电弧仿真,是研究电弧特性的有力工具。目前已经发展出了以Cassie和Mayr模型为基础的一系列黑盒模型以及其他黑盒模型,它们各有侧重。本文比较分析了常见的一些黑盒模型的特点和适用范围,为配网中电弧模型的选择提供了参考。

走向可解释性:打开教育中人工智能的“黑盒”

教育是人工智能的重要应用领域,探索教育中人工智能的可解释性,是让人工智能在教育领域中更具“责任感”的重要议题。该文从教育中人工智能应用的现实问题出发,重点回应教育中人工智能的可解释性是什么,做了什么,以及未来走向三个问题。首先,以数据、任务、模型、人四个关键要素为切入点,分析阐述教育中人工智能的可解释性内涵;之后纵观教育中人工智能的可解释工作的演进过程,分析得出已有工作在教育意义注入、模型趋于复杂以及单向解释信息传递等方面的局限性;最后,从知识联邦、模型融生、人在回路三个角度,阐释教育中人工智能可解释性的未来发展方向。

载人月球探测任务初期多视角分层分析方法

针对载人月球探测任务构成系统多、系统交互关系复杂的特点,提出了一种基于模型的多视角分层分析方法。在任务前期(任务概念研究和初步开发阶段),从不同视角对任务层和系统层进行描述,建立任务层和系统层黑盒模型。与基于文档的任务分析方法相比,多视角分层分析方法采用系统建模语言(SysML)对任务进行模型化描述,在任务初期从不同视角对任务和系统进行全面分析。方法采用以模型为中心的思想,支持系统模型快速迭代设计,提高了设计和分析效率。以载人月球探测任务为应用案例,验证了任务内各系统接口匹配情况,并检验了任务逻辑和系统状态设计的正确性。